論文の概要: Cartender: Verifiable Language-Conditioned Driving by Learning the Drives Not Taken
- arxiv url: http://arxiv.org/abs/2610.26390v1
- Date: Mon, 19 Oct 2026 13:38:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-23 00:40:06.058239
- Title: Cartender: Verifiable Language-Conditioned Driving by Learning the Drives Not Taken
- Title（参考訳）: Cartender: 運転を学習することで、言語に精通した運転を検証できる
- Abstract要約: ドライブから学習するCartenderを紹介します。
視覚言語モデルは代替先と選択命令を提案し、サポートされていない命令は負のラベルを提供する。
WOD-E2Eでは、最も優れた4つの提案のうち、3,603個の実行可能な命令条件に対して8.642の RFS を達成する。
- 参考スコア（独自算出の注目度）: 10.212118163092994
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Every driving scene is logged once, but driving is one-to-many: the scene determines which behaviors are feasible, while an instruction selects among them. A log records only the action taken, leaving no direct supervision for alternative feasible actions or instructions the scene cannot support. Consequently, a policy that ignores language and one that follows it without regard to scene constraints can fit the same data. We present Cartender, which learns from the drives not taken. Counterfactual Branching constructs matched and mismatched instruction-action pairs from real recordings without a simulator: a vision-language model proposes alternative futures and their selecting instructions, while unsupported instructions provide negative labels. A learned scene-language compatibility score regulates language conditioning in trajectory generation, and a reward-trained language residual re-ranks generated candidates over a scene-based score. The branches are used for training; instruction following is evaluated by swapping instructions under identical recorded inputs and measuring behavior rather than agreement with generated targets. On WOD-E2E, the best of four proposals achieves an RFS of 8.642 across 3,603 feasible instruction conditions. Across 8,974 admitted proposals, mean RFS is 8.203 versus 7.906 for matched logged trajectories, and 67% score higher than their logged counterpart. Compared with matched-only imitation using the same backbone, Cartender improves same-scene paired instruction success from 23.67% to 57.00% and RFS from 6.32 to 7.10; its gate reduces infeasible-instruction execution from 53.36% to 14.18%.
- Abstract（参考訳）: 全ての運転シーンは一度ログされるが、運転は1対1で、どの動作が可能かはシーンが決定し、命令はそれらの中から選択される。
ログはアクションのみを記録し、代替可能なアクションやシーンがサポートできない指示を直接監督することはない。
したがって、言語を無視するポリシーと、シーン制約によらずそれに従うポリシーは、同じデータに適合する。
撮影されていないドライブから学習するCartenderを紹介します。
視覚言語モデルは代替先と選択命令を提案し、サポートされていない命令は負のラベルを提供する。
学習されたシーン言語互換性スコアは、軌跡生成における言語条件付けを規制し、報酬訓練された言語残差は、シーンベーススコア上で生成された候補を再ランクする。
ブランチはトレーニングに使用され、次の命令は、同一の入力で命令を交換し、生成されたターゲットと一致するのではなく、振る舞いを測定することで評価される。
WOD-E2Eでは、最も優れた4つの提案のうち、3,603個の実行可能な命令条件に対して8.642の RFS を達成する。
8,974件中8.203件に対してRFSは7.906件であり、記録された軌跡よりも67%高い。
同じバックボーンを使用したマッチングのみの模倣と比較すると、Cartenderは23.67%から57.00%に、RDSは6.32から7.10に改善し、実行不可能な命令実行を53.36%から14.18%に削減した。
関連論文リスト
- Language2Drive: Do Vision-Language-Action Models Really Follow the Instructions in Autonomous Driving? [26.462159377597256]
近年のVision-Language-Action(VLA)モデルでは、自然言語を使って自律運転動作の条件付けを行っている。
この能力を直接テストするために設計されたベンチマークです
強い運転能力と弱い言語制御の 重大なミスマッチが明らかになりました
論文 参考訳（メタデータ） (2026-10-12T11:54:56Z) - YOUDrive: Driving Style as a Composable Direction for End-to-End Autonomous Driving [39.70831430708924]
YOUDriveは、連続的で構成可能な運転スタイル制御のためのヴィジュアル・ランゲージ・アクション・プランナーである。
各教師の行動はタスクベクトルに蒸留され、プランナーの表現のスタイル方向を誘導する学習パラメータが更新される。
フローマッチングデコーダは、マルチモーダルな軌道分布をモデル化し、運動論的に実現可能な運動代替物を生成する。
論文 参考訳（メタデータ） (2026-10-10T10:52:32Z) - NavGPT-3: Harnessing Context in a Hierarchical Navigation Runtime [66.14176202476176]
言語モデルとOSライクなランタイムを接続するハーネスであるNavGPT-3を紹介する。
アクションポリシー NavGPT VLAは、19.28Mの例に基づいて訓練され、シーンの変化に比例して、アロケーションを使用して視覚トークンを割り当てます。
完全なハーネスで、NavGPT-3はR2R-CEに芸術の状態を設定し、自律的なエージェントを人間レベルに持ち込む。
論文 参考訳（メタデータ） (2026-10-07T18:45:56Z) - Answer with Evidence: Consistency-Aware Grounded Visual Question Answering for Roadside Traffic Scenes [74.32863692381677]
RoadSceneVQA-Gは34.7Kの質問応答対のベンチマークである。
RoadSceneVQA-Gは34.7Kの質問応答対のベンチマークである。
論文 参考訳（メタデータ） (2026-10-04T14:48:54Z) - DriveZero: End-to-End Driving Beyond Human Demonstrations [31.611995679727713]
DriveZeroは、人間のデモを超えた運転行動を学ぶエンドツーエンドシステムだ。
知覚モデルとアクションモデルへの運転を分解し、それに最も適した体制の中でそれぞれを事前訓練し、それらを1つのエンドツーエンドプランナーに結合する。
動作面では、混合エージェントクローズドループ強化学習フレームワークであるDriveRLを紹介する。
論文 参考訳（メタデータ） (2026-09-05T12:20:38Z) - Think Only When Needed: Prompt-Authority Control for Selective Slow-Path Intervention in Vision-Language-Action Manipulation [4.910253409228634]
ToWN-VLA(英語版)は、ポリシー入力を変更するために、候補生成を許可から分離するプロンプトオーソリティインタフェースである。
525のルートは、一致するハッシュでベースを回復し、375の承認されたプロンプトは全て、タスクシグネチャを保存する。
凍ったピロフィブチェックポイントを持つ物理のPiPERアームでは、成功率は52.7%から、150回の試験で78.7%に上昇する。
論文 参考訳（メタデータ） (2026-08-24T13:18:01Z) - IndicQE-APE: A Benchmark for Quality Estimation and Automatic Post-Editing for Indic Languages [77.88427845181154]
我々はWMT 2020-2024の共有タスクの系統を、英語のリソースを拡張してインディクシーに集約する:9つの方向対に対して126,754ドルのインスタンス。
セグメントレベルのQEでは,LSMが6つ,COMETが3つ,APEでは3つのシステムをベンチマークした。
論文 参考訳（メタデータ） (2026-08-17T09:50:52Z) - Harness-IF: Evaluating Instruction Following Across Instruction Surfaces in Coding Agents [29.96375986740068]
Harness-IFは、実行証拠から一度に1つの運用ルールをスコアする。
AP-Accは、不正なデフォルトに対してラベル付けされたルールのみをスコアする。
論文 参考訳（メタデータ） (2026-08-12T07:07:57Z) - Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
PointArena 2026は77.2%の精度でベンチマークで2位である。
ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。
次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
論文 参考訳（メタデータ） (2026-06-29T06:39:03Z) - Do What? Teaching Vision-Language-Action Models to Reject the Impossible [53.40183895299108]
VLA(Vision-Language-Action)モデルは、さまざまなロボットタスクにおいて強力なパフォーマンスを示している。
Instruct-Verify-and-Act(IVA)を提案する。
実験の結果,IVAはベースラインよりも97.56%の精度で虚偽の前提検出精度を向上させることがわかった。
論文 参考訳（メタデータ） (2025-08-22T10:54:33Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。